文献类型：期刊文章

作　　者：陈海鹏[1] 李赫[1] 阚天洋[2] 赵畅[3] 张忠[4] 于海薇[1]

CHEN Haipeng;LI He;KAN Tianyang;ZHAO Chang;ZHANG Zhong;YU Haiwei(Key Laboratory of Modern Power System Simulation and Control&Renewable Energy Technology(Northeast Electric Power University),Ministry of Education,Jilin 132012,Jilin Province,China;Chengde Power Supply Company,State Grid Jibei Electric Power Company Limited,Chengde 067000,Hebei Province,China;CHN Energy Jilin Jiangnan Thermal Power Co.,Ltd.,Jilin 132002,Jilin Province,China;Gansu Branch of Luneng New Energy(Group)Co.,Ltd.,Lanzhou 730000,Gansu Province,China)

机构地区：[1]现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林省吉林市132012 [2]国网冀北电力有限公司承德供电公司,河北省承德市067000 [3]国能吉林江南热电有限公司,吉林省吉林市132002 [4]鲁能新能源集团有限公司甘肃分公司,甘肃省兰州市730000

出　　处：《电网技术》

基　　金：国家自然科学基金项目(51777027)。

年　　份：2023

卷　　号：47

期　　号：4

起止页码：1653-1662

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义,风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响,给风电功率预测精度提出了挑战。针对上述问题,提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(doubledepth Qnetwork,DDQN)、时序卷积网络(temporal convolutionalnetwork,TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法。首先,利用DWT将风电数据序列分解为不同频率的风电数据集,对不同频率的风电数据集做自相关函数分析,提取高自相关性的风功率训练子集作为预测模型的输入。其次,根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型,深度挖掘风电功率时序关系,获得精度更高、更稳定的预测结果。为减少深度学习模型的参数对预测精度的影响,采用DDQN算法优化预测模型的参数。最后,利用DWT将不同频率超短期风功率预测结果进行重构,获得了预测日的风电功率序列。以西北部某风电场实测数据为例进行仿真分析,结果表明所提方法能够充分提取风电功率序列的时序特征,优化模型内部参数,有效提高了超短期风电功率预测精度。

关 键 词：离散小波变换 时序卷积网络  深度强化学习  超短期预测  注意力机制  

分 类 号：TM614]